チャット後の AI Workspace：Artifacts、マルチウィンドウ文脈、Virtual Partners

AI chat は最先端モデルを使いやすくした。しかし AI の仕事を信頼できるものにしたわけではない。

開発者やアーキテクトにとって限界はすぐに見える。チャットは設計を説明し、移行計画を作り、ログを要約できる。だが実際の仕事は transcript の中に残らない。図、仕様、パッチ、調査ノート、テスト結果、pull-request コメント、インシデントのタイムライン、意思決定記録、後続タスクへ変わる。作業は分岐し、あるウィンドウは本番挙動を調べ、別のウィンドウはベンダー制約を比較し、別のウィンドウは設計メモを書き、さらに別のウィンドウは実装手順を準備する。

次の AI workspace は大きなチャット欄ではなく、work objects、execution state、parallel surfaces、delegated continuity を管理するシステムである。

この記事は四つの設計質問でこの変化を整理する。

1. 仕事の対象は何か。 システムは答えを出しているのか、それとも検査、修正、出荷できる永続的 artifact を作っているのか。
2. runtime truth はどこにあるのか。 workspace は発言、実行、変更を分けて扱えるのか。
3. いくつの surface を並列に持てるのか。 複数の windows、sessions、panes、contexts を一つの thread に潰さず保持できるのか。
4. 誰が continuity を保つのか。 workspace レベルの virtual partner が作業を分解、委任、追跡、統合できるのか。

今や重要なのはチャット画面の有無ではない。Chat は入口であり、workspace は control plane である。

Four layers of AI work: Chat, Artifact, Runtime, and Virtual Partner

1. なぜチャット欄だけでは足りないのか

チャット欄は対話には優れているが、仕事の境界を保存するのは苦手である。一つの transcript は、ユーザー意図、モデルの推論、tool results、deliverable になるか不明な drafts、残すべき decisions、一時的な failures、監査や再実行が必要な action history を混ぜてしまう。

短い Q&A なら許容できる。しかし AI が複数ステップの workflow を実行し、files と連携し、tools を使い、sessions 間で作業を渡すと脆弱になる。ソフトウェアでは logs、source files、builds、tests、deployment state、issue comments は関連していても同じ文字列として保存しない。同じ原則が AI workspaces にも当てはまる。会話、出力、runtime state、長期の decision memory は分離される必要がある。

2. Post-chat AI workspaces の四つの設計質問

Question 1: 何が work object なのか

Response は一時的で、artifact は永続的である。Chat-first system では価値の単位は answer になりがちだが、workspace-first system では document、code patch、research table、diagram、test plan、decision log、spreadsheet、presentation、task board などの work object が単位になる。それは状態を持ち、生成されたターンを超えて残り、会話全体を再生しなくてもレビューできるべきである。

Artifact と canvas のパターンが重要になった理由はここにある。Claude は Artifacts を独立した実質的コンテンツ、通常 15 lines 超として説明し、サポート文書は artifact ごとに 20 MB の永続ストレージを示す。ChatGPT Canvas も長い生成内容を別扱いし、OpenAI は生成内容が 10 lines を超えると Canvas が自動で開く場合があると述べている。重要な AI 出力には独自の surface が必要だという合図である。

深い問いは side panel の有無ではなく、artifact に draft、inspect、revise、validate、complete、必要なら hand off という lifecycle があるかである。

Question 2: runtime truth はどこにあるのか

Transcript は会話の記録だが、実行の真実として常に最適ではない。Agent が files を編集し、外部 tools を呼び、browser を開き、documents を読み、tests を走らせるなら、workspace はモデルの発言だけでなく、何を試し、何が完了し、何が失敗し、何が変わり、どの evidence が結果を支えるかを知る必要がある。

この分離は reliability、recovery、governance を高める。ユーザーは「本当に check を実行したのか、ただそう言っただけか」を確認できる。長時間作業が途中で失敗しても execution state があれば安全に再開や迂回ができる。チームでは instruction、action、result、decision を分けた audit trail が重要になる。

原則は単純である。transcript は仕事を説明すべきだが、仕事が存在する唯一の場所であってはならない。

Question 3: ユーザーはいくつの並列 surface を持てるのか

AI work は multi-window になっている。古い形は一人の user と一つの assistant と一つの thread だった。新しい形は複数レイヤーの workspace である。

• Workspace: materials、sessions、preferences を囲む永続境界。
• Session: task-focused conversation または workstream。
• Tab: 並列 attention の可視単位。
• Pane: artifact、browser、terminal、document、comparison view の局所 surface。
• Window: 異なる phase や project を入れる OS レベルの container。

この階層は見た目ではなく、実際の仕事の反映である。開発者は architecture trade-offs、implementation、testing、release notes を別々の sessions に分ける。優れた multi-window AI workspace は単なる画面の広さではなく、context partitioning system である。

Question 4: 誰が continuity を保つのか

Artifacts と windows の次は workspace-level partner である。これは avatar や飾りではなく、workspace goal を理解し、work を分解し、subtasks を委任し、progress を追跡し、missing evidence を見つけ、decisions を要約する orchestrator に近い。ユーザーは判断を持ち、partner は operational memory を保つ。

Virtual partner、または sprite-like workspace presence は、active、blocked、complete の sessions、current candidate deliverable、未検証 assumptions、final output に統合すべき branch、隔離すべき context を示す coordination layer になる。

3. Artifact discipline: 返信から deliverables へ

Artifacts は UI 機能として紹介されがちだが、重要なのは discipline である。Claude Artifacts と ChatGPT Canvas は、生成された仕事に別の編集可能 surface が必要だと示している。Claude Projects は 200K context window、約 500-page book に相当する project context model を加える。ChatGPT Projects は chats、files、instructions に workspace-like boundaries を与える。

MCPlato にとって重要な原則は、出力を stateful で reviewable にすることである。実用的な artifact discipline には次が含まれる。

• stateful deliverables、会話断片だけではない。
• phase awareness、draft、candidate、final output を区別する。
• context and tool isolation、無関係な assumptions や permissions を継承させない。
• completion checks、done は evidence と constraints の確認を意味する。
• decision trace、なぜ artifact がその形になったかを説明する。

これは “autonomous agent” より地味だが有用である。専門ユーザーが必要とするのは、信頼し、検査し、変更できる objects を残す AI である。

4. Runtime と monolith 問題

多くの AI products は chat thread、tool runner、file picker、memory layer、UI が一体の monolith として始まる。初期には自然だが、workflows が大きくなると限界になる。Workspace runtime は少なくとも四つの truth を調整する必要がある。

1. Conversation truth: user が尋ね、assistant が返したこと。
2. Material truth: 使用された source files、documents、pages、data。
3. Execution truth: 実行された actions と返った results。
4. Decision truth: team が accepted、rejected、deferred、shipped したこと。

すべてを transcript に押し込むと inspect しにくい。分離しても user experience が一貫しなければ fragmented になる。関心を分離しつつ仕事を legible に保つことが課題である。

5. Multi-window context: 一つの thread から多くの work surfaces へ

Agents が強力になるほど single thread は足りなくなる。Research、drafting、source checks、formatting、implementation、testing は自然には並列だが、単一 thread では直列化される。Multi-window AI workspace は coherent なまま parallelism を支えるべきである。

Workspace comparison map: Chat/Canvas, IDE Agent, Cloud Agent, and AI-Native Workspace

Post-chat workspace は万能 UI ではなく、複数の作業モードを載せる layered environment になる。

6. Virtual Partner / Sprite: 演出ではなく orchestration

“virtual partner” は gimmick になりやすい。workspace 上の顔だけでは context management は解決しない。有用な形は workspace-level coordinator であり、目標を sub-workstreams に変換し、sessions や agents に割り当て、blockers、open questions、finished outputs を追跡し、artifact の review readiness を判断し、drafts や branches の違いを要約し、days をまたいで decision history を保持する。

Chatbot は interlocutor、virtual partner は coordinator である。MCPlato にとって、複数の AI sessions を一つの coherent partner system として運用できるようにすることは重要な public design direction である。ただし orchestration は難しい。clear permissions、visible state、good failure handling が必要であり、coordination は inspectable でなければならない。

7. Competitor comparison: 数字が示すこと

市場は structured workspaces へ進んでいるが、各 vendor は別の点を証明している。

Claude and ChatGPT: chat から project context と editable surfaces へ

Claude Projects は 200K context window、約 500-page book の shared context を示す。Claude Artifacts は 15 lines 超の substantial standalone outputs と artifact ごとの 20 MB persistent storage を示す。ChatGPT Canvas は生成内容が 10 lines を超えると自動で開く場合があり、ChatGPT Projects は chats、uploaded files、instructions、collaborators を project-level に整理する。これらは artifact と project boundaries を検証しているが、中心はまだ primary assistant conversation である。

GitHub Copilot and Cursor: workspace としての codebase

Developer tools の重心は repository である。Microsoft は GitHub Copilot が 20 million users を持ち、90% of the Fortune 100 に使われ、FY2025 Q4 に Copilot Enterprise customers が 75% quarter over quarter 成長したと報告した。GitHub は 100 million developers を超える基盤と Copilot の “up to 55%” productivity claim を示した。

Cursor は $2.3 billion を $29.3 billion post-money valuation で調達し、$1 billion in annualized revenue を超え、millions of developers と 300 employees 超を示した。Developer workspaces は主要な AI operating environments になりつつある。

Replit and Devin: workspace としての cloud execution

Replit Agent 3 は最大 200 minutes 作業でき、10x more autonomous、testing を 3x faster かつ 10x more cost-effective にするとされる。Replit は $400 million を $9 billion valuation で調達し、50 million users 超、85% of the Fortune 500、2026 年末までの $1 billion run-rate revenue を発表した。Devin は Pro $20/month、Max $200/month、Teams $80/month、関連 plans で最大 10 concurrent sessions を示す。焦点は delegation と execution だが、inspectability が課題である。

Manus and Notion: breadth と workspace memory

Manus Wide Research は hundreds of independent agents、最大 250 items、数分で 50–100 items、従来 AI は 8–10 items を超えると劣化するという主張で parallel breadth を示す。Notion は $10 per 1,000 credits、80% と 100% の usage notifications で、AI を durable team knowledge surfaces に埋め込む方向を示す。共通の信号は、AI が answer generation から managed work systems へ移ることだ。

8. MCPlato の位置

MCPlato は pure chat product、IDE、cloud-only autonomous agent ではなく AI-native workspace に位置づく。強みは connected materials をまたいで複数の AI sessions を調整し、reviewable outputs を作る workflows にある。Research-to-article pipelines、multi-source analysis、document production、task decomposition、cross-session review、traceable decisions が必要な developer/architect workflows が典型である。

MCPlato はすべての specialized tool を置き換えるわけではない。Cursor と GitHub Copilot は coding inner loop、Claude と ChatGPT は general-purpose model interfaces、Replit と Devin は cloud execution、Notion は team knowledge bases に強い。

MCPlato の機会はその間の coordination layer にある。

• session-based work、task threads を分けつつ接続する。
• local-first material handling、connected directories と files を適切に扱う。
• artifact discipline、outputs を deliverables にする。
• multi-window context、parallel workstreams を visible にする。
• virtual partner orchestration、decompose、delegate、track、summarize を助ける。
• decision trace、何がなぜ変わったかを review できるようにする。

境界も重要である。Orchestration は review を不要にしない。Context boundaries が曖昧なら multi-session AI work は errors を増幅する。Local-first workflows は permission management を必要とする。Virtual partner は assumptions と status を公開しなければならない。

9. Conclusion: workspace が product である

チャット欄は今後も有用である。質問、確認、反復には最速だ。しかし serious AI work の主な container としては不十分である。

Post-chat AI workspace には四層が必要である。

1. Chat for intent and dialogue.
2. Artifacts for durable work objects.
3. Runtime for execution state, evidence, and recovery.
4. Virtual partners for cross-session coordination and continuity.

勝者は最も賢い assistant を持つだけではない。何が作られ、どこから来て、何が実行され、何が失敗し、何が受け入れられ、何が未解決かを legible にする。開発者とアーキテクトにはなじみの教訓である。状態が明示され、境界が明確で、出力を検査できるとき、systems は信頼できる。

References

1. Anthropic, “Introducing Projects,” https://www.anthropic.com/news/projects
2. Anthropic Support, “What are Artifacts and how do I use them?”, https://support.claude.com/en/articles/9487310-what-are-artifacts-and-how-do-i-use-them
3. OpenAI Help Center, “What is the Canvas feature in ChatGPT and how do I use it?”, https://help.openai.com/en/articles/9930697-what-is-the-canvas-feature-in-chatgpt-and-how-do-i-use-it
4. OpenAI Help Center, “Projects in ChatGPT,” https://help.openai.com/en/articles/10169521-projects-in-chatgpt
5. Microsoft Investor Relations, “FY25 Q4 Earnings,” https://www.microsoft.com/en-us/investor/events/fy-2025/earnings-fy-2025-q4.aspx
6. GitHub Blog, “GitHub Copilot Workspace,” https://github.blog/news-insights/product-news/github-copilot-workspace/
7. Replit Blog, “Introducing Agent 3,” https://replit.com/blog/introducing-agent-3-our-most-autonomous-agent-yet
8. Replit Blog, “Replit raises $400 million,” https://replit.com/blog/replit-raises-400-million-dollars
9. Devin, “Pricing,” https://devin.ai/pricing/
10. Manus Docs, “Wide Research,” https://manus.im/docs/features/wide-research
11. Cursor Blog, “Series D,” https://cursor.com/blog/series-d
12. Notion Help, “Everything you can do with Notion AI,” https://www.notion.com/help/guides/everything-you-can-do-with-notion-ai